Comunicando com LLMs
12 minLição 6 de 14
Few-shot learning
Ensine novas tarefas ao modelo por meio de exemplos
Objetivos de aprendizagem
- •Entender few-shot learning e quando usar
- •Aprender a montar conjuntos de exemplos eficazes
- •Conhecer os trade-offs entre zero-shot, one-shot e few-shot
O que é few-shot learning?
Few-shot learning ensina o modelo fornecendo exemplos dos pares entrada-saída desejados. Em vez de explicar o que fazer, você mostra.
Zero-shot
Sem exemplos, só instruções. Funciona para tarefas comuns.
One-shot
Um único exemplo. Bom para padrões simples.
Few-shot
Vários exemplos (tipicamente 3–5). Melhor para tarefas complexas ou incomuns.
Criando exemplos eficazes
Diversidade
- Formatos de entrada diferentes
- Casos extremos
- Extensões de saída variadas
Consistência
- Mesmos delimitadores
- Mesma estrutura
- Mesmo nível de detalhe
Qualidade
- Sem erros
- Padrão claro
- Representativo das entradas esperadas
Template few-shot
Converta as seguintes descrições de produto em manchetes de marketing:
Entrada: Uma cadeira de escritório confortável com suporte lombar
Saída: Trabalhe com conforto: assento ergonômico premium
Entrada: Fones sem fio com 24 horas de bateria
Saída: Som o dia todo: nunca pare de ouvir
Entrada: [Sua entrada real aqui]
Saída:Erros comuns
×Poucos exemplos para tarefas complexas — 3–5 exemplos costumam funcionar melhor que 1
×Formatação inconsistente dos exemplos — variação confunde o modelo sobre o padrão esperado
×Exemplos de baixa qualidade — erros nos exemplos se propagam para as saídas
×Ignorar custo de tokens — mais exemplos = custo maior; encontre o número mínimo eficaz
Principais pontos
+Few-shot learning ensina por exemplos em vez de instruções
+Use exemplos diversos, consistentes e de alta qualidade
+Balance a quantidade de exemplos com o custo de tokens
+Few-shot é especialmente valioso para tarefas incomuns ou de domínio específico